MolarData|AI领域资讯速递

设计具有特定属性或功能的物理材料或机器通常需要有关系统微观方面的详细知识，以及如何修改这些方面以实现所需属性的“逆问题”的解决方案。机器学习解决了这些问题。例如，神经网络通过观察示例进行学习，而计算机则通过惩罚不正确的性能来修改其微观属性。尽管已证明此类框架对于基于计算机的学习非常强大，但如果不了解和操纵微观细节，就无法将它们直接应用于物理材料。受神经科学和机器学习进步的启发，研究人员提出了一些学习规则，使学界可以通过展示物理网络所需功能的示例来“教”物理网络所需的功能，而它们却可以自行修改其微观属性。结果已发表在Physical Review X。

弹性弹簧网络或流网络等系统可能被设计为实现一类物理上合理的“耦合学习规则”。研究人员以数字方式展示了如何通过示例教授此类网络以学习复杂的用户定义函数，例如手写数字的分类。本项研究进一步讨论了实验应用耦合学习规则的局限性，并考虑如何克服它们。

研究人员的这项工作阐明了如何使用物理上合理的学习规则来创建能够自主适应外部影响并获得所需功能的学习机器。如果事先不知道所需的物理特性或功能或需要适应不断变化的环境，则可适应的“学习机”预计将表现优异。

（来源：集智俱乐部）

蛋白质的结构特征决定了广泛的功能：从结合特异性和赋予机械稳定性，到催化生化反应、运输和信号转导。组织这些无数蛋白质功能的几种广泛使用的分类方案包括基因本体（Gene Ontology，GO）等。在论文Structure-based protein function prediction using graph convolutional networks 中，研究人员提出了 DeepFRI，这是一种图卷积网络，用于通过利用从蛋白质语言模型和蛋白质结构中提取的序列特征来预测蛋白质功能。它优于当前领先的方法和基于序列的卷积神经网络，并可扩展到当前序列存储库的大小。使用同源模型增强实验结构的训练集使研究人员能够显着扩展可预测函数的数量。

研究人员通过使用类似于 CAFA27 的时间保持验证来评估本项方法的性能，保持方法确保了一个更“现实”的场景，其中根据最近的实验注释评估函数预测。我们使用从两个时间点 SIFTS56 检索到的 GO 注释，版本 2019/06/18（本项研究中称之为 SIFTS-2019）和版本 2020/01/04（称之为 SIFTS-2020），来构建基于时间的测试集。最终，通过该方法正确预测了 MF-GO 项，而 BLAST 和 DeepGO 都是未能成功预测预测。

DeepFRI 具有显著的去噪能力，当实验结构被蛋白质模型取代时，性能仅略有下降。类激活映射允许以前所未有的分辨率进行功能预测，允许以自动化方式在残基级别进行特定于站点的注释。研究人员通过注释来自 PDB 和 SWISS-MODEL 的结构来展示该方法的实用性和高性能，从而做出了几个新的自信函数预测。在未来，DeepFRI 可作为网络服务器供更多研究人员在线使用。

（来源：集智俱乐部）

人工智能现在已经能够在有限的环境中有效地解决特定的问题，但它们还没有发展出在人类和动物身上看到的那种普遍的「智能」。DeepMind认为「智能」不是从制定和解决复杂问题中产生，而是通过坚持一个简单但强大的原则：奖励最大化。

DeepMind的研究表示,不同形式的智能源于不同环境中不同奖励信号的最大化。例如蝙蝠的回声定位或黑猩猩的工具使用等。这些能力的产生也都将服务于一个单一的目标，也就是在动物所处的环境中获得最大化的回报。

在论文中，DeepMind 的研究人员建议将强化学习作为主要算法，它可以通过学习在自然界中的奖励最大化方法，并最终带来通用人工智能。作者在论文中说，「如果一个代理能够连续调整它的行为来提升奖励，那么任何在这种环境下的重复性能力都可以通过代理这样的行为产生出来。」

数据科学家Herbert Roitblat 则对于这篇论文的立场提出了挑战，他认为通过简单的学习机制和试错经验足以培养机器智能的说法有些站不住脚。「强化学习的前提是代理有一组有限的潜在操作方式，同时奖励标准和价值函数也需要提前指定。换句话说，通用人工智能的问题恰恰是强化学习的先决条件。所以如果机器学习都能够简化成为最大化某种评估参数的形式，那么强化学习肯定是有意义的，但是它仍然缺乏说服力。」

(来源：新智元）

尽管在肖像自动风格化方面已经取得了实质性进展，但是生成高质量的肖像画仍然是一个挑战，即使是使用最近流行的Toonify，在用于输入真实的图像时也遭受了一些瑕疵的困扰。如何把肖像画变成动漫形象一直是一个研究热点，最近NTU的华人博士生Song Guoxian提出一个新模型AgileGAN，AgileGAN模型是一个能对肖像图进行风格化的模型，论文发表在计算机图形学顶级会议 SIGGRAPH 2021上。

AgileGAN是一个可以通过隐射一致隐空间的转移学习生成高质量风格肖像的框架。引入了一种新颖的分层变分自编码器，以确保映射隐空间分布符合原始的高斯分布，同时将原始空间扩展为多维度隐空间，以便更好地编码不同级别的细节。

为了生成样式化的肖像，模型使用一个相对风格范例的小集合。主要框架基于StyleGAN2，但增强了多路径结构，以更好地适应与已知属性相对应的不同特征，如性别等。作者收集了几个用于评估的风格数据集，包括 3D 卡通、漫画、油画和名人。结果表明，通过定性、定量和通过用户调研研究进行的比较，可以实现优于以前最先进方法的肖像风格化质量。

（来源：新智元）

最近，西安交大毕业生杭凯宇研发出一款算法，只需提前设计好路线，机械手就能写出英文单词“SCIENCE”，平均控制精度高达 0.42 ± 0.34 mm。

通过该算法，机械手还能操作迷宫模型，并控制小球按照特定路线、走向迷宫终点。在没有任何位置约束的前提下，机械手的方向控制精度达 1.20° ± 1.38°，相关论文于近日发表在 Science Robotics 上。

据悉，基于虚拟链接模型（Virtual linkage-based representations，VLR）的概念，杭凯宇研发出上述新算法，该算法可通过探索性操控动作、以及概率推理，去自我识别机械手、和目标物体之间的基本互动机制，从而让机械手实现精确操控。

杭凯宇还测试了机器手在原装手指被替换后的表现。在测试中，他分别假设一根、两根、三根手指断裂并需要更换的情况，结果显示，被替换的手指越多，机械手的控制精度下滑就越厉害，这具体体现在模型对手指长短和关节位置的估算误差上，但多出来的误差并未对机械手的表现造成太大影响。自我识别框架和虚拟链接模型都能较好、较快地适应新手指，并重新掌握操控物体的“窍门”。

（来源：DeepTech深科技）